面向下一个POI推荐的非线性增强解耦式对比超图学习方法技术

本发明专利技术涉及个性化推荐技术领域，尤其涉及面向下一个POI推荐的非线性增强解耦式对比超图学习方法。步骤如下：S1：构建多视图解耦超图；S2：对步骤A构建的多视图解耦超图进行优化，得到非线性超图卷积网络；S3：基于用户表示的自适应融合，对S2步骤得到的多视图下的用户偏好进行学习与融合；S4：基于Encoder模块和GRACE模块，实现对比学习和自监督学习。本发明专利技术提供的面向下一个POI推荐的非线性增强解耦式对比超图学习方法，通过引入ReLU与残差连接，突破传统超图层线性局限，赋予模型更强表达能力，并采用KNN邻接矩阵稀疏化策略，在保障精度前提下显著提升计算效率，同时创新性运用批处理InfoNCE及GRACE模块，实现大规模数据集上稳健的跨视图协作学习。

【技术实现步骤摘要】

本专利技术涉及个性化推荐，尤其涉及面向下一个poi推荐的非线性增强解耦式对比超图学习方法。

技术介绍

1、随着基于位置的社交网络(lbsn)广泛普及，用户在facebook、instagram、yelp以及dianping等上分享附带地理信息生活体验的行为日益普遍。在此背景下，个性化推荐系统应运而生，其核心目的在于帮助用户从海量信息中精准定位感兴趣的地点(pois)。在poi推荐系统体系中，下一个兴趣点(poi)推荐作为一项关键且基础性任务，致力于依据用户历史轨迹为其后续移动提供合理预测。

2、多数现有方法将下一个poi推荐视为序列预测问题，从早期基于状态转移概率的传统马尔可夫链模型，演进至擅长处理时序依赖的递归神经网络(rnn)架构，再过渡到当前以transformer为代表的自注意力机制。在这些基于序列的方法里，部分研究验证了时空上下文的重要性，并将其融入以挖掘用户轨迹内在规律。

3、然而，这类方法多聚焦于单一用户内部序列探索，难以有效利用其他用户的协作信息。鉴于图神经网络(gnn)以及超图神经网络(hgnn)在捕捉高阶邻居间相本文档来自技高网...

【技术保护点】

1.面向下一个POI推荐的非线性增强解耦式对比超图学习方法，其特征在于，步骤如下：

2.根据权利要求1所述的面向下一个POI推荐的非线性增强解耦式对比超图学习方法，其特征在于，S1步骤中，步骤如下：

3.根据权利要求2所述的面向下一个POI推荐的非线性增强解耦式对比超图学习方法，其特征在于，构建地理视图超图，构建步骤如下：

4.根据权利要求2所述的面向下一个POI推荐的非线性增强解耦式对比超图学习方法，其特征在于，非线性超图卷积网络由协作超图卷积网络、转移超图卷积网络和地理超图卷积网络组成。

5.根据权利要求4所述的面向下一个POI推荐的非...

【技术特征摘要】

1.面向下一个poi推荐的非线性增强解耦式对比超图学习方法，其特征在于，步骤如下：

2.根据权利要求1所述的面向下一个poi推荐的非线性增强解耦式对比超图学习方法，其特征在于，s1步骤中，步骤如下：

3.根据权利要求2所述的面向下一个poi推荐的非线性增强解耦式对比超图学习方法，其特征在于，构建地理视图超图，构建步骤如下：

4.根据权利要求2所述的面向下一个poi推荐的非线性增强解耦式对比超图学习方法，其特征在于，非线性超图卷积网络由协作超图卷积网络、转移超图卷积网络和地理超图卷积网络组成。

5.根据权利要求4所述的面向下一个poi推荐的非线性增强...

【专利技术属性】
技术研发人员：张红伟，汪国龙，闫小峰，许珂珂，杨开钧，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：